Specjalność studiów I i II stopnia
Oferta dydaktyczna IAiR

Metody sztucznej inteligencji

Cel

Zapoznanie studentów z podstawami wybranych metod sztucznej inteligencji (systemy rozmyte, sieci neuronowe, algorytmy genetyczne, systemy eksperckie oraz rozwiązania hybrydowe) oraz przykładowymi zastosowaniami w przemyśle.

Opis

Wprowadzenie do teorii zbiorów rozmytych. Elementy teorii zbiorów rozmytych. Wnioskowanie rozmyte. Modelowanie rozmyte. Regulacja rozmyta. Wstęp do sieci neuronowych. Algorytmy uczenia sieci. Ciągi uczące. Przykładowe zastosowania sztucznych sieci neuronowych. Wprowadzenie do algorytmów ewolucyjnych. Właściwości i wybrane zastosowania algorytmów ewolucyjnych. Wprowadzenie do systemów ekspertowych. Metody hybrydowe.

Wymagania

Podstawowa wiedza z zakresu obsługi komputera, technik informatycznych oraz przetwarzania sygnałów. Mile widziana wiedza z zakresu podstaw automatyki.

Bibliografia

  1. Modelowanie i sterowanie rozmyte. Andrzej Piegat, Exit, 1999
  2. Sieci neuronowe do przetwarzania informacji. Stanisław Osowski, Oficyna wydawnicza PW, 2000
  3. Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. D. Rutkowska, M. Piliński, L. Rutkowski, PWN, 1997
  4. Wykłady z algorytmów ewolucyjnych. Jarosław Arabas, WNT, 2001
  5. Algorytmy genetyczne + struktury danych = programy ewolucyjne. Zbigniew Michalewicz, WNT, 1999
  6. Systemy ekspertowe. Jan Mulawka, WNT, 1996
  7. Metody i techniki sztucznej inteligencji. L. Rutkowski , Wydawnictwo Naukowe PWN, Warszawa, 2005
  8. Fuzzy sets. L.A. Zadeh, Inf. an Control, Vol. 8, ss. 338-353, 1965.
  9. Zbiory rozmyte w analizie systemowej. J. Kacprzyk, PWN, Warszawa, 1986
  10. Podstawy modelowania i sterowania rozmytego. R. Yager, D. Filev, WNT, Warszawa 1995
  11. Algorytmy genetyczne. Przykłady i zastosowania. Jerzy Cytowski, Akadem, Oficyna Wydawnicza PLJ Warszawa 1996
  12. Algorytmy genetyczne i ich zastosowania. David E. Goldberg, WNT, 1995

Metody oceny

Ocena ostateczna wyznaczana jest na podstawie oceny składowej, przy założeniu konieczności uzyskania wszystkich ocen składowych pozytywnych.
Wykład: zaliczenie pisemne w formie egzaminu z zakresu prezentowanego materiału. Współczynnik wagowy: 0.5
Laboratorium: ocena wyznaczana na podstawie oceny średniej z poszczególnych ćwiczeń. Współczynnik wagowy: 0.3
Projekt: ocena wykonanego projektu. Współczynnik wagowy: 0.2

Szczegółowy rozkład zajęć

Nr Temat Opis Wymiar
1 Metody Sztucznej Inteligencji - Wprowadzenie Wprowadzenie do systemów obliczeniowych, zaliczanych do klasy metod sztucznej inteligencji. Podział metod, krótka charakterystyka W 1
2 Wprowadzenie do teorii zbiorów rozmytych Paradygmat Zadeha. Geneza zbiorów rozmytych. Pojęcie zbioru rozmytego. Definicja i interpretacja funkcji przynależności. Różnice pomiędzy logiką rozmytą, logiką dwuwartościową i logiką wielowartościową. Logika rozmyta, a rachunek prawdopodobieństwa. Przykłady. W 1
3 Elementy teorii zbiorów rozmytych Ciągłe i dyskretne zbiory rozmyte. Definicje i interpretacje operacji na zbiorach. Normalizacja zbiorów. Skalowanie zbiorów. Mnożenie i potęgowanie zbiorów. Suma mnogościowa i przecięcie zbiorów. Αlfa przekroje zbiorów rozmytych. Twierdzenie o dekompozycji. Dopełnienie zbiorów. Implikacja rozmyta. Implikacja Mamdaniego. Koncentracja, rozcieńczanie, intensyfikacja, zmniejszanie kontrastu zbiorów rozmytych. Przykłady. W 3
4 Wnioskowanie rozmyte Uogólniona maszyna wnioskująca. Wnioskowanie oparte na regułach. Pojęcia rozmywania i wyostrzania. Baza reguł. Szablonowe bazy reguł. Wnioskowanie oparte na regułach. Metody pozyskiwania wiedzy. Metody wyostrzania. Przykłady. W 3
5 Modelowanie rozmyte Identyfikacja rozmyta. Metody pozyskiwania wiedzy opartej na regułach. Użyteczność wiedzy eksperckiej. Metoda Wanga-Mendela. Aproksymator Sugeno-Takagi. Przykłady. W 2
6 Regulacja rozmyta Struktura uogólnionego regulatora rozmytego. Regulatory hybrydowe. Powierzchnia sterowania. Metody i cel kształtowania powierzchni sterowania. Synteza rozmytych regulatorów dwustawnych i trójstawnych. Regulatory rozmyte o działaniu: P, PI, PID. Przykłady. W 2
7 Wstęp do sieci neuronowych Wprowadzenie, inspiracje neurobiologiczne. Podstawowe struktury sieci: sieci liniowe, perceptrony wielowarstwowe, sieci radialne, sieci Kohonena. W 2
8 Algorytmy uczenia sieci Gradientowe metody uczenia z nauczycielem: reguła delta, algorytm propagacji wstecznej, algorytm gradientów sprzężonych. Uczenie z samoorganizacją. Kryteria jakości sieci. W 2
9 Ciągi uczące Komponowanie ciągów uczących. Reprezentatywność danych, ortogonalność zmiennych. Zadania wstępnego przetwarzania danych. Parametry statystyczne podzbioru uczącego, walidacyjnego i testowego. W 2
10 Przykładowe zastosowania sztucznych sieci neuronowych Programowe sensory i analizatory, rozpoznawanie nieprawidłowych stanów procesów, predykcja szeregów czasowych, kompresja obrazów, klasyfikacja wzorców. W 4
11 Wprowadzenie do algorytmów ewolucyjnych Podstawowe typy algorytmów ewolucyjnych Metody przeszukiwania przestrzeni rozwiązań. Reprezentacja danych, metody kodowania. Genotyp, chromosom. Operatory genetyczne: krzyżowanie i mutacja. Funkcja przystosowania. W 2
12 Właściwości i wybrane zastosowania algorytmów ewolucyjnych Schemat algorytmu genetycznego(AG). Przykład obliczeń w algorytmie. Zastosowanie AG w zadaniach optymalizacji. W 2
13 Wprowadzenie do systemów ekspertowych Ogólna charakterystyka systemów ekspertowych. Metody pozyskiwania i prezentacji wiedzy. Wnioskowanie. W 2
14 Metody hybrydowe Wybrane przykłady technik łączących prezentowane metody sztucznej inteligencji: różne konfiguracje systemów rozmyto-neuronowe (w tym rozmyte sieci neuronowe), przeszukiwanie przybliżone baz danych, wykorzystanie algorytmów genetycznych do strojenia parametrów modeli rozmytych i neuronowych. W 2
1 Układ regulacji rozmytej Założenia ćwiczenia: projekt i ocena właściwości układu regulacji rozmytej dwuosiowego serwomechanizmu elektromechanicznego. Zakres ćwiczenia: projekt dwóch regulatorów rozmytych do sterowania osiami serwomechanizmów sterujących położeniem przestrzennym płyty montażowej przy wykorzystaniu specjalizowanego środowiska programowego. Ocena właściwości układu regulacji, w tym szczególnie jego odporności na zakłócenia. L 2
2 Synteza regulatorów rozmytych Założenia ćwiczenia: zapoznanie z techniką tworzenia regulatorów rozmytych. Zakres ćwiczenia: projekt regulatorów rozmytych o działaniu: proporcjonalnym, dwustawnym, trójstawnym, proporcjonalno-całkującym, proporcjonalno-różniczkującym, proporcjonalno-różniczkująco-całkujący. L 2
3 Prosty układ sterowania rozmytego pojazdem Założenia ćwiczenia: synteza układu sterowania pojazdu inteligentnego . Zakres ćwiczenia: projekt bazy reguł. Projekty regulatorów rozmytych układu sterowania skręt, układu sterowania przyśpieszeniem i układu sterowania hamulców. Ocena jakości regulatorów. L 2
4 Badanie uczenia sieci neuronowych z nauczycielem Celem ćwiczenia jest przedstawienie podstawowych zasad uczenia sieci oraz badanie właściwości uzyskiwanych modeli. W ćwiczeniu wykorzystywane są testowe zbiory uczące oraz pakiet Statistica Neural Networks. Program ćwiczenia jest ukierunkowany na następujące zagadnienia: modelowanie w strukturze sieci perceptronowej i radialnej, ocena procesu uczenia i wskaźniki jakości uzyskiwanych modeli, douczanie sieci z użyciem alternatywnych algorytmów, eksport sieci. L 2
5 Modelowanie ciągłego procesu przemysłowego Celem ćwiczenia jest przedstawienie zagadnień modelowania procesów przemysłowych z wykorzystaniem rzeczywistych danych procesowych. Zakres ćwiczenia obejmuje analizę danych źródłowych, komponowanie ciągów uczących i ocenę jakości uzyskiwanych modeli. Program ćwiczenia jest ukierunkowany na zagadnienia charakterystyczne dla modelowania rzeczywistych procesów, takie jak: dobór zestawy zmiennych wejściowych, eliminacja błędów pomiarowych, zapewnienie reprezentatywności ciągów uczących. L 2
6 Kompresja obrazów z zastosowaniem sztucznych sieci neuronowych Ćwiczenie obejmuje przeprowadzenie kompresji obrazu (format jpg) z użyciem sieci perceptronowej i sieci Kohonena a następnie badanie jakości odtwarzania obrazu początkowego(dekompresji) w zależności od stopnia kompresji oraz wielkości i kształtu elementarnych okienek (kwadratowe, prostokątne), na które podzielono obraz (liczba pixeli w okienku n*m równa się liczbie wejść sieci). Wykonujący korzystają z programu konwersji obrazu do postaci danych wejściowych stosowanych w uczeniu sieci neuronowych. Dane wczytywane są do pakietu Statistica Neural Networks i w tym środowisku prowadzone jest uczenie sieci. W przypadku sieci Kohonena należy wykorzystać wektor kodowy. Ocena jakości obrazu odtworzonego po kompresji prowadzona jest wizualnie oraz poprzez liczbowy wskaźnik. L 3
7 Badanie właściwości algorytmu genetycznego w zależności od metody selekcji, sposobu kodowania i stosowanych operatorów Założenie ćwiczenia: badanie wpływu parametrów algorytmu genetycznego na szybkość i precyzję znajdywania optymalnego rozwiązania funkcji testowych. Zakres ćwiczenia: Dla dwóch fukcji przykładowych o podanej zależności (znanym rozwiązaniu) studenci badają wpływ metody selecji, sposobu kodowania oraz stosowanych operatorów na jakość działania algorytmu genetycznego.
L 3
8 Wykorzystanie logiki rozmytej do przeszukiwania relacyjnej bazy danych Założenia ćwiczenia: konstrukcja mechanizmu tworzenia rozmytych zapytań odnośnie danych zapisanych w relacyjnej bazie danych. Zakres ćwiczenia: Zaprojektowanie tabel wykorzystywanych w zapytaniach rozmytych. Realizacja prostego i złożonego schematu rozmytego zapytania o dane. L 2
9 Zastosowanie modelu TSK strojonego przy wykorzystaniu algorytmów genetycznych Założenie ćwiczenia: realizacja sensora programowego przy wykorzystaniu modeli rozmytych TSK o strukturze dobieranej przy wykorzystaniu algorytmów genetycznych. Zakres ćwiczenia: pozyskanie danych uczących, indentyfikacja parametrów modelu, weryfikacja modelu, aplikacja modelu jako wirtualnego sensora. L 2
1 Zaawansowane zadanie projektowe Część projektowa obejmuje samodzielną realizację zadania, w którym wykorzystane będą różne techniki metod sztucznej inteligencji prezentowane w części wykładowej oraz przećwiczone w części laboratoryjnej.
Przykładowe zadanie:
  • Zakres: uruchomienie (projektowanie, dobór nastaw, uruchomienie oraz testy) regulatora rozmytego dla wybranego obiektu (w tym próba automatycznej identyfikacji reguł sterowania), realizacja programowego sensora przy wykorzystaniu sztucznych sieci neuronowych, próba sterowania układem przy wykorzystaniu opracowanego sensora programowego.
  • Zadanie realizowane w 3-4 osobowych grupach projektowych.
  • Wykorzystanie symulatora obiektu zrealizowanego w systemie PExSim.
P 10
Instytut Automatyki i Robotyki
Politechnika Warszawska